Python爬虫抓取智联招聘（基础版）

时间 2019-11-11

标签 python 爬虫抓取招聘基础栏目 Python 繁體版

原文原文链接

前言

文的文字及图片来源于网络,仅供学习、交流使用,不具备任何商业用途,版权归原做者全部,若有问题请及时联系咱们以做处理。html

做者： C与Python实战python

PS：若有须要Python学习资料的小伙伴能够加点击下方连接自行获取web

http://note.youdao.com/noteshare?id=3054cce4add8a909e784ad934f956cef面试

对于每一个上班族来讲，总要经历几回换工做，如何在网上挑到心仪的工做？如何提早为心仪工做的面试作准备？今天咱们来抓取智联招聘的招聘信息，助你换工做成功！正则表达式

运行平台： Windows 数据库
Python版本： Python3.6 浏览器
IDE： Sublime Text 网络
其余工具： Chrome浏览器app

一、网页分析

1.1 分析请求地址函数

以北京海淀区的python工程师为例进行网页分析。打开智联招聘首页，选择北京地区，在搜索框输入"python工程师"，点击"搜工做"：

接下来跳转到搜索结果页面，按"F12"打开开发者工具，而后在"热门地区"栏选择"海淀"，咱们看一下地址栏：

由地址栏后半部分searchresult.ashx?jl=北京&kw=python工程师&sm=0&isfilter=1&p=1&re=2005能够看出，咱们要本身构造地址了。接下来要对开发者工具进行分析，按照如图所示步骤找到咱们须要的数据：Request Headers和Query String Parameters ：构造请求地址：

 1 paras = {
 2    'jl': '北京',                # 搜索城市
 3    'kw': 'python工程师',        # 搜索关键词 
 4    'isadv': 0,                    # 是否打开更详细搜索选项
 5    'isfilter': 1,                # 是否对结果过滤
 6    'p': 1,                        # 页数
 7    're': 2005                    # region的缩写，地区，2005表明海淀
 8 }
 9 
10 url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras)

请求头：

1 headers = {
2    'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
3    'Host': 'sou.zhaopin.com',
4    'Referer': 'https://www.zhaopin.com/',
5    'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
6    'Accept-Encoding': 'gzip, deflate, br',
7    'Accept-Language': 'zh-CN,zh;q=0.9'
8 }

1.2 分析有用数据

接下来咱们要分析有用数据，从搜索结果中咱们须要的数据有：职位名称、公司名称、公司详情页地址、职位月薪：

经过网页元素定位找到这几项在HTML文件中的位置，以下图所示：

用正则表达式对这四项内容进行提取：

# 正则表达式进行解析
pattern = re.compile('<a style=.*? target="_blank">(.*?)</a>.*?'        # 匹配职位信息
   '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)</a>.*?'     # 匹配公司网址和公司名称
   '<td class="zwyx">(.*?)</td>', re.S)                                # 匹配月薪      

# 匹配全部符合条件的内容
items = re.findall(pattern, html)

注意：解析出来的部分职位名称带有标签，以下图所示：

那么在解析以后要对该数据进行处理剔除标签，用以下代码实现：

for item in items:
   job_name = item[0]
   job_name = job_name.replace('<b>', '')
   job_name = job_name.replace('</b>', '')
   yield {
       'job': job_name,
       'website': item[1],
       'company': item[2],
       'salary': item[3]
   }

二、写入文件

咱们获取到的数据每一个职位的信息项都相同，能够写到数据库中，可是本文选择了csv文件，如下为百度百科解释：

逗号分隔值（Comma-Separated Values，CSV，有时也称为字符分隔值，由于分隔字符也能够不是逗号），其文件以纯文本形式存储表格数据（数字和文本）。纯文本意味着该文件是一个字符序列，不含必须像二进制数字那样被解读的数据

因为python内置了csv文件操做的库函数，因此很方便：

import csv
def write_csv_headers(path, headers):
   '''
   写入表头
   '''
   with open(path, 'a', encoding='gb18030', newline='') as f:
       f_csv = csv.DictWriter(f, headers)
       f_csv.writeheader()

def write_csv_rows(path, headers, rows):
   '''
   写入行
   '''
   with open(path, 'a', encoding='gb18030', newline='') as f:
       f_csv = csv.DictWriter(f, headers)
       f_csv.writerows(rows)

三、进度显示

要想找到理想工做，必定要对更多的职位进行筛选，那么咱们抓取的数据量必定很大，几十页、几百页甚至几千页，那么咱们要掌握抓取进度内心才能更加踏实啊，因此要加入进度条显示功能。

本文选择tqdm 进行进度显示，来看一下酷炫结果（图片来源网络）：

执行如下命令进行安装：

pip install tqdm

简单示例：

from tqdm import tqdm
from time import sleep

for i in tqdm(range(1000)):
   sleep(0.01)

四、完整代码

以上是全部功能的分析，以下为完整代码：

  1 #-*- coding: utf-8 -*-
  2 import re
  3 import csv
  4 import requests
  5 from tqdm import tqdm
  6 from urllib.parse import urlencode
  7 from requests.exceptions import RequestException
  8 
  9 def get_one_page(city, keyword, region, page):
 10    '''
 11    获取网页html内容并返回
 12    '''
 13    paras = {
 14        'jl': city,         # 搜索城市
 15        'kw': keyword,      # 搜索关键词 
 16        'isadv': 0,         # 是否打开更详细搜索选项
 17        'isfilter': 1,      # 是否对结果过滤
 18        'p': page,          # 页数
 19        're': region        # region的缩写，地区，2005表明海淀
 20    }
 21 
 22    headers = {
 23        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36',
 24        'Host': 'sou.zhaopin.com',
 25        'Referer': 'https://www.zhaopin.com/',
 26        'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8',
 27        'Accept-Encoding': 'gzip, deflate, br',
 28        'Accept-Language': 'zh-CN,zh;q=0.9'
 29    }
 30 
 31    url = 'https://sou.zhaopin.com/jobs/searchresult.ashx?' + urlencode(paras)
 32    try:
 33        # 获取网页内容，返回html数据
 34        response = requests.get(url, headers=headers)
 35        # 经过状态码判断是否获取成功
 36        if response.status_code == 200:
 37            return response.text
 38        return None
 39    except RequestException as e:
 40        return None
 41 
 42 def parse_one_page(html):
 43    '''
 44    解析HTML代码，提取有用信息并返回
 45    '''
 46    # 正则表达式进行解析
 47    pattern = re.compile('<a style=.*? target="_blank">(.*?)</a>.*?'        # 匹配职位信息
 48        '<td class="gsmc"><a href="(.*?)" target="_blank">(.*?)</a>.*?'     # 匹配公司网址和公司名称
 49        '<td class="zwyx">(.*?)</td>', re.S)                                # 匹配月薪      
 50 
 51    # 匹配全部符合条件的内容
 52    items = re.findall(pattern, html)   
 53 
 54    for item in items:
 55        job_name = item[0]
 56        job_name = job_name.replace('<b>', '')
 57        job_name = job_name.replace('</b>', '')
 58        yield {
 59            'job': job_name,
 60            'website': item[1],
 61            'company': item[2],
 62            'salary': item[3]
 63        }
 64 
 65 def write_csv_file(path, headers, rows):
 66    '''
 67    将表头和行写入csv文件
 68    '''
 69    # 加入encoding防止中文写入报错
 70    # newline参数防止每写入一行都多一个空行
 71    with open(path, 'a', encoding='gb18030', newline='') as f:
 72        f_csv = csv.DictWriter(f, headers)
 73        f_csv.writeheader()
 74        f_csv.writerows(rows)
 75 
 76 def write_csv_headers(path, headers):
 77    '''
 78    写入表头
 79    '''
 80    with open(path, 'a', encoding='gb18030', newline='') as f:
 81        f_csv = csv.DictWriter(f, headers)
 82        f_csv.writeheader()
 83 
 84 def write_csv_rows(path, headers, rows):
 85    '''
 86    写入行
 87    '''
 88    with open(path, 'a', encoding='gb18030', newline='') as f:
 89        f_csv = csv.DictWriter(f, headers)
 90        f_csv.writerows(rows)
 91 
 92 def main(city, keyword, region, pages):
 93    '''
 94    主函数
 95    '''
 96    filename = 'zl_' + city + '_' + keyword + '.csv'
 97    headers = ['job', 'website', 'company', 'salary']
 98    write_csv_headers(filename, headers)
 99    for i in tqdm(range(pages)):
100        '''
101        获取该页中全部职位信息，写入csv文件
102        '''
103        jobs = []
104        html = get_one_page(city, keyword, region, i)
105        items = parse_one_page(html)
106        for item in items:
107            jobs.append(item)
108        write_csv_rows(filename, headers, jobs)
109 
110 if __name__ == '__main__':
111    main('北京', 'python工程师', 2005, 10)

上面代码执行效果如图所示：

执行完成后会在py同级文件夹下会生成名为：zl北京python工程师.csv的文件，打开以后效果以下： .